MODELOS DE VOLATILIDAD

CONDICIONAL - ARCH
ECONOMETRÍA II

Ing. Juan Carlos Catunta Ch.

1
 VARIANCE
• Una serie temporal se dice que es heterocedástica si
su varianza cambia con el tiempo; de lo contrario, se
le llama homocedástica.
• Cuando la varianza no es constante (seguirá una
distribución normal mixta), podemos esperar más
valores atípicos de lo esperado en comparación con
una distribución normal. Es decir, cuando un proceso
es heterocedástico, seguirá distribuciones de
probabilidad con colas pesadas o propensas a valores
atípicos.

2
 VARIANCE
Hasta principios de los años 80, la econometría se centraba casi
exclusivamente en modelar las medias de las series, es decir, sus valores
reales. Sin embargo, recientemente, los investigadores se han enfocado
cada vez más en la importancia de la volatilidad, sus determinantes y sus
efectos en los valores medios.

Una distinción clave se encuentra entre la varianza condicional y la

varianza incondicional.

La varianza incondicional es simplemente la medida estándar de la

variabilidad.

Var(X) =E(XE(X))2

3
 VARIANCE
La varianza condicional es la medida de nuestra
incertidumbre acerca de una variable dada un modelo y un
conjunto de información. Cond Var(X) =E(X-E(X|  ))2
• This is the true measure of uncertainty Varianza
condicional

varianza

media

4
 VARIANCE
Considera un día en el que los mercados de valores experimentan
una caída sustancial. El mercado entra en modo de pánico, los
sistemas automatizados de gestión de riesgos comienzan a
desprenderse de sus posiciones largas vendiendo, y todo esto
conduce a una caída adicional en los precios. Un aumento en la
varianza a partir de la caída inicial de los precios conduce a una
significativa y adicional volatilidad a la baja.

Es decir, un aumento en la varianza está correlacionado en serie

con un aumento adicional en la varianza en este período de
"venta masiva". Un período de mayor varianza está condicionado
a una venta inicial. Por lo tanto, decimos que tales series son
heterocedásticas condicionales. 5
 VARIANCE
Hechos estilizados de los rendimientos de activos:
1. Colas gruesas: tienden a ser leptocúrticas.
2. Agrupación de volatilidad: Mandelbrot señala que "los grandes cambios tienden a ser
seguidos por grandes cambios de cualquier signo".
3. Efectos de apalancamiento: existe la tendencia a que los cambios en los precios de las
acciones estén correlacionados negativamente con los cambios en la volatilidad.
4. Efectos de períodos sin operaciones: cuando un mercado está cerrado, la información
tiende a acumularse a una tasa diferente que cuando está abierto. Por ejemplo, la
volatilidad del precio de las acciones el lunes no es tres veces la volatilidad del
martes.
5. Eventos previsibles: la volatilidad es alta en momentos regulares, como anuncios de
noticias u otros eventos esperados, o incluso en ciertos momentos del día, por
ejemplo, menos volátil a primera hora de la tarde.
6. Volatilidad y correlación serial: hay una sugerencia de una relación inversa entre
ambas.
7. Co-movimientos en volatilidad: hay evidencia considerable de que la volatilidad está
positivamente correlacionada entre activos en un mercado e incluso entre
mercados.
6
7
8
 ARCH MODEL
Las series condicionalmente heterocedásticas (CH) son no
estacionarias ya que su varianza no es constante en el tiempo.
Uno de los aspectos desafiantes de las series condicionalmente
heterocedásticas es que los gráficos de autocorrelación (ACF) de
una serie con volatilidad aún pueden parecer una realización de
ruido blanco discreto estacionario.

¿Cómo podemos incorporar CH en nuestro modelo? Una forma

podría ser crear un modelo AR para la varianza misma, es decir,
un modelo que tenga en cuenta los cambios en la varianza a lo
largo del tiempo utilizando valores pasados de la varianza. Los
modelos ARCH son los más adecuados para esto.

9
 ARCH MODEL
Aunque los errores pueden ser serialmente no
correlacionados, no son independientes; habrá
agrupación de volatilidad y colas gruesas. Si no
hay correlación serial en la serie, pero sí en la
serie al cuadrado, diremos que hay una débil
dependencia. Esto nos llevará a examinar la
volatilidad de la serie, ya que esto se demuestra
mediante los términos al cuadrado.

10
 ARCH MODEL
Autocorrelation Function for C1
(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1 5 10 15 20 25 30 35 40 45 50 55 60
Lag

Figure 1: Autocorrelation for the log returns for the Intel series

11
 ARCH MODEL
Autocorrelation Function for C2 Partial Autocorrelation Function for C2
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 5 10 15 20 25 30 35 40 45 50 55 60 1 5 10 15 20 25 30 35 40 45 50 55 60
Lag Lag

Figure 2: ACF of the squared returns Figure 3 PACF for squared returns

Al combinar estos tres gráficos, parece que esta serie es

serialmente no correlacionada pero dependiente. Los modelos de
volatilidad intentan capturar esa dependencia en la serie de
rendimientos. 12
 ARCH MODEL
Engle (1982) introdujo un modelo en el cual la
varianza en el tiempo t se modela como una
combinación lineal de residuos al cuadrado
pasados, y lo llamó un proceso ARCH
(autoregressive conditionally heteroscedastic).

Bollerslev (1986) introdujo una estructura más

general en la cual el modelo de varianza se
parece más a un ARMA que a un AR, y llamó a
esto un proceso GARCH (generalized ARCH). 13
 ARCH(1) Model
• ARCH(1) is given by:
Var(x(t)) = σ²(t) = ⍺*σ²(t-1) + ⍺1
• The actual time series is given by:
x(t) = w(t)* σ(t) = w(t)* ⎷(⍺*σ²(t-1) + ⍺1)
where w(t) is white noise.

14
 When To Apply ARCH(p)?
Supongamos que ajustamos un modelo AR(p) y
los residuos parecen casi como ruido blanco,
pero nos preocupa la decadencia del lag p en un
gráfico de autocorrelación (ACF) de la serie. Si
descubrimos que también podemos aplicar un
modelo AR(p) a los residuos al cuadrado,
entonces tenemos una indicación de que un
proceso ARCH(p) puede ser apropiado.

15
 When To Apply ARCH(p)?
Es importante señalar que ARCH(p) solo debería aplicarse a una
serie que ya haya tenido un modelo apropiado ajustado lo
suficiente como para que los residuos se asemejen a ruido
blanco discreto. Dado que solo podemos determinar si ARCH es
apropiado o no al elevar al cuadrado los residuos y examinar la
función de autocorrelación (ACF), también debemos asegurarnos
de que la media de los residuos sea cero.

ARCH solo debería aplicarse a series que no tengan tendencias o

efectos estacionales, es decir, que no tengan (evidentemente)
correlación serial. ARIMA a menudo se aplica a tales series,
momento en el cual ARCH puede ser una buena opción.

16
 When To Apply ARCH(p)?
# Simulate ARCH(1) series
# Var(yt) = a_0 + a_1*y{t-1}**2
# if a_1 is between 0 and 1 then yt is white noise

np.random.seed(13)

a0 = 2
a1 = .5

y = w = np.random.normal(size=1000)
Y = np.empty_like(y)

for t in range(len(y)):
y[t] = w[t] * np.sqrt((a0 + a1*y[t-1]**2))

# simulated ARCH(1) series, looks like white noise

tsplot(y, lags=30)

17
18
tsplot(y**2, lags=30)

19
Ahora, la ACF y la PACF parecen mostrar
significancia en el rezago 1, lo que indica que un
modelo AR(1) para la varianza podría ser
apropiado. Una pregunta obvia en esta etapa es
si vamos a aplicar un proceso AR(p) a la
varianza, ¿por qué no aplicar también un
modelo de Media Móvil MA(q)? ¿O un modelo
mixto como ARMA(p,q)? Esta es en realidad la
motivación para el modelo Generalized ARCH,
conocido como GARCH.

20
 Engle(1982) ARCH Model
Auto-Regressive Conditional Heteroscedasticity

Yt  X t   t
Let  t is the set of all information available at time t.
where  t ~ N ( 0 , t )
2

 t  at ht
where at ' s are iid Gaussian0,1 rvs .

ht   0   q ( B ) , i  0,i  1,2, ,q
2
t

an AR(q) model for squared innovations.

21
 ARCH(q) MODEL

 t  t 1 ~ N 0 ,ht 

ht  Var  t  t 1    0  1 t21     q t2q

22
 ARCH(q) MODEL
• La ecuación de h_t muestra que si e_{t-1} es grande, entonces
la varianza condicional de e_t también es grande, y por lo
tanto, var(e)_t tiende a ser grande. Este comportamiento se
propagará a lo largo del proceso y la variabilidad inusual
tiende a persistir, pero no siempre.

• La varianza condicional volverá a la varianza incondicional

siempre que se cumpla la condición:
q
0  i  1
i 1
… de modo que el proceso sea estacionario con varianza finita.

23
 ARCH(q) MODEL
• Si los procesos ARCH tienen una media no nula que
puede expresarse como una combinación lineal de
variables exógenas y rezagos de variables
dependientes, entonces un marco de regresión lineal
es apropiado y el modelo se puede escribir como:
 t  Yt  X t
 t  t 1 ~ N  X t ,ht 
ht   0    2
1 t 1     2
q t q

 0  0 , i  0 ,i  1, .q
This model is called a “ Linear ARCH(q) Regression “ model.
24
 ARCH(q)
• Si los regresores no incluyen variables
dependientes rezagadas y pueden tratarse
como constantes fijas, entonces el estimador
de mínimos cuadrados ordinarios (OLS) es el
mejor estimador lineal no sesgado para el
modelo. Sin embargo, el estimador de máxima
verosimilitud es no lineal y es más eficiente
que el estimador OLS.

25
ESTIMATION OF THE LINEAR ARCH( q )
REGRESSION MODEL
• la función de log-verosimilitud para el modelo
sea: n
l   lt
t 1

1 1  t2
where lt   ln ht 
2 2 ht
• La función de verosimilitud puede
maximizarse con respecto a los parámetros
desconocidos beta y alpha.
26
 ESTIMATION OF THE LINEAR ARCH( q )
• Para estimar los parámetros, generalmente
utilizamos el algoritmo de puntuación (Scoring
Algorithm).
• Cada iteración para los parámetros alfa y beta
produce las estimaciones basadas en la iteración
anterior de acuerdo con:
 i 1
   Î  l / 
i  i  1 ˆ  i 

 i 1
   Î   l / 
i i  1 ˆ i 

where I and I matrices are information

matrices. 27
 STEPS IN ESTIMATION
STEP 1: Estimate  by OLS and obtain residuals.
STEP 2: Compute
   Ẑ Ẑ  ẐẐ f .
i 1 i  1 i 

where
Ẑ t  1,et 1 , ,et  p  / ht
i 2  i 2 i 

ft  et
i  i 2 i 
 ht / h t
i 
.

residuals Conditional variance

28
 STEPS IN ESTIMATION
STEP 3: Using (i+1), compute
 i 1 i 
  X X  X e
1
  
where X and e are matrices with vectors
X t xt et and et  et st / rt ,
1/ 2
 2 2 
rt  1 / ht  2et   j ht  j
 j 
st  ht 1   j  j ht  j  2et  j  h j t 
2 2 2

29
 STEPS IN ESTIMATION
STEP 4: Obtain residuals by using (i+1). Go to
Step 2.

This iterative procedure will be continued until

the convergence of the estimation of .

30
TESTING FOR ARCH DISTURBANCES
• Método 1. La estructura de autocorrelación de
los residuos y los residuos al cuadrado puede
examinarse. Una indicación de ARCH es que
los residuos estarán no correlacionados, pero
los residuos al cuadrado mostrarán
autocorrelación.

31
TESTING FOR ARCH DISTURBANCES
Método 2. Se puede aplicar una prueba basada en el principio de
Lagrange Multiplier (LM). Considere la hipótesis nula de que no
hay errores ARCH frente a la hipótesis alternativa de que la
varianza condicional del error se rige por un proceso ARCH(q). El
enfoque de prueba propuesto por Engle consiste en regresar los
residuos al cuadrado sobre una constante y q rezagos de los
residuos. A partir de los residuos de esta regresión auxiliar, se
calcula una estadística de prueba como nR2, donde R2 proviene
de la regresión auxiliar. La hipótesis nula se rechazará si la
estadística de prueba supera el valor crítico de una distribución
chi-cuadrado con q grados de libertad.

32
 PROBLEMS IN ARCH MODELING
En la mayoría de las aplicaciones del modelo ARCH, a menudo se
requiere un rezago relativamente largo en la varianza
condicional, lo que conduce al problema de varianza negativa y
no estacionariedad. Para evitar este problema, generalmente se
impone una estructura de rezago fija. Por lo tanto, es necesario
extender los modelos ARCH a una nueva clase de modelos que
permitan tanto una memoria larga como una estructura de
rezago mucho más flexible.

Bollerslev introdujo modelos ARCH generalizados (GARCH) que

permiten una memoria larga y una estructura de rezago flexible.

33
• Ejemplo en STATA 16...
• Base de datos extraída de Google.

34
 GARCH (Bollerslev,1986)
• En trabajos empíricos con modelos ARCH, a menudo
se requiere un q alto. Una representación más
parcimoniosa es el modelo Generalized ARCH
(GARCH).
q p
ht   0     2
i t i    j ht  j
i 1 j 1

 0  0, i  0, j  0,i  1, ,q , j  1, p

El modelo GARCH (Generalized ARCH) es un modelo
ARMA(max(p,q),p) para las innovaciones al cuadrado.
El proceso GARCH (p, q) permite que las varianzas
condicionales rezagadas también entren en juego.
35
 GARCH MODEL
• El proceso GARCH (p, q) es estacionario si:
q p
  i    j  1.
i 1 j 1

• El proceso GARCH (1,1) más simple pero a

menudo muy útil está dado por
 t  t 1 ~ N 0 ,ht 
ht   0    2
1 t 1   1ht 1

36
 GARCH(1,1) Model
• El modelo GARCH(1,1) es:
• σ²(t) = a*σ²(t-1) + b*e²(t-1) + w
• (a+b) debe ser menor que 1, o de lo contrario,
el modelo será inestable.

37
 GARCH(1,1) Model
• Podemos simular un proceso GARCH(1, 1) a
continuación.
• # Simulating a GARCH(1, 1) process

np.random.seed(2)

a0 = 0.2
a1 = 0.5
b1 = 0.3

n = 10000
w = np.random.normal(size=n)
eps = np.zeros_like(w)
sigsq = np.zeros_like(w)

for i in range(1, n):

sigsq[i] = a0 + a1*(eps[i-1]**2) + b1*sigsq[i-1]
eps[i] = w[i] * np.sqrt(sigsq[i])

_ = tsplot(eps, lags=30) 38
39
_ = tsplot(eps**2, lags=30)

40
 TESTING FOR GARCH
DISTURBANCES
• MÉTODO 1: Utiliza la prueba LM previa para
ARCH. Si la hipótesis nula es rechazada para
perturbaciones largas, el modelo GARCH es
apropiado.
• MÉTODO 2: Se puede aplicar una prueba
basada en el principio de Lagrange Multiplier
(LM). Considera la hipótesis nula de ARCH(q)
para los errores frente a la hipótesis
alternativa de que los errores siguen un
proceso GARCH(p, q). 41
 INTEGRATED GARCH
• Cuando:
q p
  i    j  1,
i 1 j 1

el proceso tiene una raíz unitaria.

Entonces, utiliza el proceso Integrated GARCH o

IGARCH.

42
 SYMMETRYCITY OF GARCH
MODELS
En los procesos ARCH, GARCH e IGARCH, el
efecto de los errores en la varianza condicional
es simétrico, es decir, un error positivo tiene el
mismo efecto que un error negativo.
Sin embargo, en finanzas, las buenas y malas
noticias tienen efectos diferentes en la
volatilidad. Un shock positivo tiene un efecto
menor que un shock negativo de la misma
magnitud.
43
 EGARCH
Para la relación asimétrica entre muchas
variables financieras y los cambios en su
volatilidad, así como para relajar las
restricciones en los coeficientes del modelo,
Nelson (1991) propuso el proceso EGARCH.
log ht    0    j g at 1 j ,at   t / ht


j 0

Usually , g function is chosen as

g at   at    at  E at .
44
 THRESHOLD GARCH (TGARCH) OR
GJR-GARCH
• Glosten, Jaganathan y Runkle (1994)
propusieron el proceso TGARCH para una
estructura de volatilidad asimétrica. Los
eventos grandes tienen un efecto, pero los
eventos pequeños no.
ht   0  1 t 1  1dt 1 t 1   1ht 1
2 2
TARCH(1,1)

where
1, t 1  0
dt 1  
0 , t 1  0 45
 Non normality assumptions
Si bien el modelo GARCH básico permite cierto
comportamiento leptocúrtico, a menudo es
insuficiente para explicar los datos del mundo real.
Por lo tanto, algunos autores asumen una variedad
de distribuciones distintas a la normalidad que
ayudan a tener en cuenta las colas gruesas en la
distribución.
t Distribution
La distribución t tiene un parámetro de grados de
libertad que permite una mayor curtosis.

46
 THE GARCH ZOO
• QARCH = quadratic ARCH
• TARCH = threshold ARCH
• STARCH = structural ARCH
• SWARCH = switching ARCH
• QTARCH = quantitative threshold ARCH
• vector ARCH
• diagonal ARCH
• factor ARCH
47
 REFERENCES
• Bollerslev, Tim. 1986. “Generalized Autoregressive
Conditional Heteroskedasticity.” Journal of Econometrics.
April, 31:3, pp. 307–27.
• Engle, Robert F. 1982. “Autoregressive Conditional
Heteroskedasticity with Estimates of the Variance of United
Kingdom Inflation.” Econometrica. 50:4, pp. 987–1007.
• Glosten, Lawrence R., Ravi Jagannathan and David E. Runkle.
1993. “On the Relation Between the Expected Value and the
Volatility of the Nominal Excess Returns on Stocks.” Journal of
Finance. 48:5, pp. 1779–801.
• Nelson, Daniel B. 1991. “Conditional Heteroscedasticity in
Asset Returns: A New Approach.” Econometrica. 59:2, pp.
347–70. 48